(完整版)BP神经网络matlab实例(简单而经典).doc
用matlab编BP神经网络预测程序
求用matlab编BP神经网络预测程序求一用matlab编的程序P=[。
];输入T=[。
];输出% 创建一个新的前向神经网络net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm')% 当前输入层权值和阈值inputWeights=net_1.IW{1,1}inputbias=net_1.b{1}% 当前网络层权值和阈值layerWeights=net_1.LW{2,1}layerbias=net_1.b{2}% 设置训练参数net_1.trainParam.show = 50;net_1.trainParam.lr = 0.05;net_1.trainParam.mc = 0.9;net_1.trainParam.epochs = 10000;net_1.trainParam.goal = 1e-3;% 调用TRAINGDM 算法训练BP 网络[net_1,tr]=train(net_1,P,T);% 对BP 网络进行仿真A = sim(net_1,P);% 计算仿真误差E = T - A;MSE=mse(E)x=[。
]';%测试sim(net_1,x) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%不可能啊我200928对初学神经网络者的小提示第二步：掌握如下算法:2.最小均方误差,这个原理是下面提到的神经网络学习算法的理论核心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第8章的第十节：“最小二乘法”。
3.在第2步的基础上看Hebb学习算法、SOM和K-近邻算法，上述算法都是在最小均方误差基础上的改进算法，参考书籍是《神经网络原理》（机械工业出版社，Simon Haykin著，中英文都有）、《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡，张长水著）、《模式分类》（机械工业出版社，Richard O. Duda等著，中英文都有）、《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）。
利用MATLAB实现BP神经网络的设计[2页]
![利用MATLAB实现BP神经网络的设计[2页]](https://img.taocdn.com/s3/m/ef8bb6383968011ca30091c0.png)
科技广场
利用 36786& 实现 &’ 神经网络的设计
北京交通大学计算机与信息技术学院 杨雁宁
河南财经学院层 前 馈 神 经 网 络 ，因 其 采 用 误 差 反 向传播算法（ ())*) &+,- ’)*.+/+01*2，即 &’ 算法）而得 名 ，是 目 前 应 用 最 为 广 泛 的 神 经 网 络 之 一 。主 要 应 用 于 模 式 识 别 、函 数 逼 近 、数 据 压 缩 及 预 测 等 领 域 。 美 国 的 3+045*)- 公 司 推 出 的 36786& 软 件 包 既 是 一 种 非 常 实用有效的科研编程软件环境，又是一种进行科学和 工程计算的交互式程序。36786& 本身带有神经网络 工具箱，可以大大方便权值训练，减少训练程序工作 量 ，有 效 的 提 高 工 作 效 率 。
一、&’ 网络模型的拓朴结构 &’ 网络一般由三层组成，即输入层、隐含层、输出 层 。 层 与 层 之 间 采 用 全 互 连 方 式 。 9:%: 年 ，;*<=)0 >=,4—?1=@A*2 证明了一个三层的 &’ 网络可以完成任 意的 2 维到 B 维的映射。隐含层的神经元均采用 C 型 函数。输出层可以是线性神经元，也可以是对数 C 形神 经元。 假设 &’ 神经网络每层有 ! 个节点，作用函数为非 线性的 C1/B*1D 型函数，一般采用（" #）E9（F 9G$HI），学 习集包括 % 个样本模式（ &’，( ’）。对第 ) 个学习样本 （ )E9，!，…，%）
二、&’ 网络的 36786& 实现 在 36786& 神经网络工具箱中，有很多 方 便 的 构 建神经网络的函数。对 &’ 网络的实现可以分为四步： 创 建 、初 始 化 、训 练 和 仿 真 。 9$创建 2=5LL。 创建一个 ? 层的 &’ 神经网络的格式如下： *$+ E 2=5LL *$+ E 2=0（LL ’;，MC9 C!…C?N，O7P9 7P!…7P?Q， &7P，&8P，’P） 参数意义：’; 输入向量的取值范围。 C1 第 R 层的神经元个数，总共 ? 层。 7L1 第 R 层的传递函数，缺省值为“ 0+2A1/”。 &7P &’ 网络训练函数，缺省为“ 0)+12@B”。 &8P 权值和阈值学习函数，缺省为“ @=+)2/DB”。 ’P 性能函数，缺省值为“ BA=”。 !$初始化 12（10 ）。使用 2=5LL 创建前馈神经网络 后 ，网 络 会 自 动 地 初 始 化 权 值 和 阈 值 ，缺 省 值 都 是 "。 如果要设置这些初始值，可以使用函数 12（10 ）。 格式：*$+E12（10 2=0） S$训练 0)+12。神经网络的权值和阈值初始化以后， 就 可 以 对 网 络 进 行 训 练 。在 训 练 的 过 程 中 ，网 络 的 权 值 和 阈 值 被 反 复 地 调 整 ， 以 减 少 网 络 性 能 函 数 2=0$.=)H L*)BP,2 的值，直到达到预先的要求。 T$仿 真 A1B（ ）。仿真函数 A1B（ ）用来对网络 进 行 仿 真 。 利 用 此 函 数 ，可 以 在 网 络 训 练 前 后 分 别 进 行 输入输出的仿真，以作比较，从而对网络进行修改评价。 三 、设 计 实 例 建立一个两 层 的 &’ 神 经 网 络$ 输 入 的 范 围 是［ " 9"］，第一层采用正切 C 形神经元，第二层 采 用 线 性 神 经元。样本输入 ’ 和目标输出 7 为： ’ E M" 9 ! S T # U V % : 9"N；
Matlab训练好的BP神经网络如何保存和读取方法(附实例说明)
Matlab训练好的BP神经网络如何保存和读取方法（附实例说明）看到论坛里很多朋友都在提问如何存储和调用已经训练好的神经网络。
本人前几天也遇到了这样的问题，在论坛中看了大家的回复，虽然都提到了关键的两个函数“save”和“load”，但或多或少都简洁了些，让人摸不着头脑（呵呵，当然也可能是本人太菜）。
通过不断调试，大致弄明白这两个函数对神经网络的存储。
下面附上实例给大家做个说明，希望对跟我有一样问题的朋友有所帮助。
如果只是需要在工作目录下保到当前训练好的网络，可以在命令窗口输入：save net %net为已训练好的网络然后在命令窗口输入：load net %net为已保存的网络加载net。
但一般我们都会在加载完后对网络进行进一步的操作，建议都放在M文件中进行保存网络和调用网络的操作如下所示：%% 以函数的形式训练神经网络function shenjingwangluo()P=[-1,-2,3,1;-1,1,5,-3];%P为输入矢量T=[-1,-1,1,1,];%T为目标矢量net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm')%创建一个新的前向神经网络inputWeights=net.IW{1,1}inputbias=net.b{1}%当前输入层权值和阀值layerWeights=net.LW{2,1}layerbias=net.b{2}net.trainParam.show=50;net.trainParam.lr=0.05;net.trainParam.mc=0.9;net.trainParam.epochs=1000;net.trainParam.goal=0.0002;%调用算法训练BP网络[net,tr]=train(net,P,T);%保存训练好的网络在当前工作目录下的aaa 文件中，net为网络名save('aaa', 'net');%也可以采用 格式“save aaa net;”%若要保存到指定目录用 “'save('d:\aaa.mat', 'net');”这样就保存到指定的目录下了%%调用网络，以函数的形式function jiazaiwangluo()%网络加载,注意文件名要加单引号load('-mat','aaa');%从指定目录加载“load('-mat','d:\aaa.mat'); ”P=[3;4]A=sim(net,P)%对网络进行仿真%上面两个函数都已经调试成功，有需要的朋友可以试试看，希望对大家有帮助。
BP神经网络matlab教程
w
N 1 ho
w o (k )hoh (k )
N ho
2.4.2 BP网络的标准学习算法
第七步，利用隐含层各神经元的 h (k )和 输入层各神经元的输入修正连接权。
e e hih (k ) wih (k ) h (k ) xi (k ) wih hih (k ) wih w
p
i 1
h 1,2,
o 1,2,
,p
q
yio (k ) whohoh (k ) bo
o 1,2,
yoo (k ) f( yio (k ))
h 1
q
2.4.2 BP网络的标准学习算法
第四步，利用网络期望输出和实际输出， 计算误差函数对输出层的各神经元的偏导 o (k ) 数 。 ( w ho (k ) b ) e e yio yi (k )
输入样本－－－输入层－－－各隐层－－－输出层
判断是否转入反向传播阶段：
若输出层的实际输出与期望的输出（教师信号）不 符
误差反传
误差以某种形式在各层表示－－－－修正各层单元 的权值
网络输出的误差减少到可接受的程度 进行到预先设定的学习次数为止
2.4.2 BP网络的标准学习算法
网络结构 输入层有n个神经元，隐含层有p个神经元, 输出层有q个神经元 变量定义 x x1, x2 , , xn 输入向量; 隐含层输入向量； hi hi1 , hi2 , , hi p 隐含层输出向量; ho ho1 , ho2 , , ho p 输出层输入向量; yi yi1 , yi2 , , yiq 输出层输出向量; yo yo1 , yo2 , , yoq 期望输出向量; d o d1 , d 2 , , d q
matlab bp预测例子
matlab bp预测例子一、引言人工神经网络（Artificial Neural Network，ANN）是一种模拟人脑神经元网络的数学模型，具有自我学习和适应能力。
而BP神经网络（Back Propagation Neural Network）是其中的一种常见类型，它通过反向传播算法来调整网络的权重和阈值，从而实现对样本数据的拟合和预测。
本文将以MATLAB为例，介绍如何使用BP神经网络进行预测。
二、数据准备我们需要准备用于训练和测试的数据。
假设我们要预测某城市的房价，我们可以收集到以下数据：房屋面积、房间数量、楼层高度、建筑年份和房价。
我们将这些数据存储在一个Excel文件中，然后使用MATLAB的数据导入工具将其读入到工作空间中。
三、数据预处理在进行BP神经网络训练之前，我们需要对数据进行预处理。
首先，我们要将数据划分为训练集和测试集，一般可以按照70%的比例划分。
然后，我们需要对数据进行归一化处理，将所有特征值缩放到0-1之间，以避免某个特征对网络的影响过大。
MATLAB提供了相关函数可以进行数据归一化处理。
四、网络建模在进行网络建模之前，我们需要确定网络的结构和参数。
一般来说，输入层的节点数应该等于特征的个数，输出层的节点数应该等于预测的目标个数。
隐藏层的节点数可以根据经验选择，一般不宜过多，以免过拟合。
然后，我们需要选择合适的激活函数和学习率。
在MATLAB中，可以使用“patternnet”函数来创建BP神经网络对象，并设置相应的参数。
五、网络训练在进行网络训练之前，我们需要将数据转换为MATLAB所需的格式。
然后，可以使用“train”函数对网络进行训练。
训练过程中，MATLAB会根据样本数据和预测结果计算误差，并根据误差进行反向传播调整权重和阈值。
训练的次数可以根据需要进行调整，一般情况下，训练次数越多，网络的拟合能力越强，但也容易造成过拟合。
六、网络预测在网络训练完成后，我们可以使用训练好的网络对新的样本进行预测。
BP神经网络预测的MATLAB实现
> > net. trainParam. show = 500; > > net = train ( net, P, T)
显示的数据与所设计的网络模型相符 ,且如图显见网 络学习迭代到 411次时 ,就达到了学习精度 0. 004 996 74, 其学习速度较快 。
(六 )测试 BP神经网络 将测试的输出数据还原 ,与实际人数比较 (见表 1) ,说 明 BP神经网络预测的 MATLAB实现是可行的 。
BP神经网络matlab详细参数
基于matlab BP 神经网络参数详解（1）生成BP网络=net newff PR S S SNl TF TF TFNl BTF BLF PF(,[1 2...],{ 1 2...},,,) PR：由R维的输入样本最小最大值构成的2R⨯维矩阵。
S S SNl：各层的神经元个数。
[1 2...]{ 1 2...}TF TF TFNl：各层的神经元传递函数。
BTF：训练用函数的名称。
（2）网络训练=net tr Y E Pf Af train net P T Pi Ai VV TV[,,,,,] (,,,,,,)（3）网络仿真=Y Pf Af E perf sim net P Pi Ai T[,,,,] (,,,,)BP网络的训练函数训练方法训练函数梯度下降法traingd有动量的梯度下降法traingdm自适应lr梯度下降法traingda自适应lr动量梯度下降法traingdx弹性梯度下降法trainrptraincgfFletcher-Reeves共轭梯度法Ploak-Ribiere共轭梯度法traincgpPowell-Beale共轭梯度法traincgb量化共轭梯度法trainscg拟牛顿算法trainbfg一步正割算法trainoss Levenberg-Marquardt trainlmBP网络训练参数训练参数参数介绍训练函数net.trainParam.epochs最大训练次数（缺省为10）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.goal训练要求精度（缺省为0）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.lr学习率（缺省为0.01）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.max_fail最大失败次数（缺省为5）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.min_grad最小梯度要求（缺省为1e-10）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.show显示训练迭代过程（NaN表示不显示，缺省为25）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlmnet.trainParam.time最大训练时间（缺省为inf）traingd、traingdm、traingda、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、trainlm net.trainParam.mc动量因子（缺省0.9）traingdm、traingdxnet.trainParam.lr_inc学习率lr增长比（缺省为1.05）traingda、traingdxnet.trainParam.lr_dec学习率lr下降比（缺省为0.7）traingda、traingdxnet.trainParam.max_perf_inc表现函数增加最大比（缺省为1.04）traingda、traingdxnet.trainParam.delt_inc权值变化增加量（缺省为1.2）trainrpnet.trainParam.delt_dec权值变化减小量（缺省为0.5）trainrpnet.trainParam.delt0初始权值变化（缺省为0.07）trainrpnet.trainParam.deltamax权值变化最大值（缺省为50.0）trainrpnet.trainParam.searchFcn一维线性搜索方法（缺省为srchcha）traincgf、traincgp、traincgb、trainbfg、trainossnet.trainParam.sigma因为二次求导对权值trainscg调整的影响参数（缺省值5.0e-5）mbdatrainscgHessian矩阵不确定性调节参数（缺省为5.0e-7）net.trainParam.men_redtrainlm控制计算机内存/速uc度的参量，内存较大设为1，否则设为2（缺省为1）net.trainParam.mutrainlmμ的初始值（缺省为0.001）net.trainParam.mu_dectrainlmμ的减小率（缺省为0.1）net.trainParam.mu_inctrainlmμ的增长率（缺省为10）net.trainParam.mu_maxtrainlmμ的最大值（缺省为1e10）。
GA-BP神经网络应用实例之MATLAB程序
GA-BP神经网络应用实例之MATLAB程序% gap.xls中存储训练样本的原始输入数据 37组% gat.xls中存储训练样本的原始输出数据 37组% p_test.xls中存储测试样本的原始输入数据 12组% t_test.xls中存储测试样本的原始输出数据 12组% 其中gabpEval.m适应度值计算函数，gadecod.m解码函数%--------------------------------------------------------------------------nntwarn off;% nntwarn函数可以临时关闭神经网络工具箱的警告功能，当代码使用到神经% 网络工具箱的函数时会产生大量的警告而这个函数可以跳过这些警告但% 是，为了保证代码可以在新版本的工具箱下运行，我们不鼓励这么做pc=xlsread('gap.xls');tc=xlsread('gat.xls');p_test=xlsread('p_test.xls');t_test=xlsread('t_test.xls');p=pc';t=tc';p_test=p_test';t_test=t_test';% 归一化处理for i=1:2P(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:))); endfor i=1:4T(i,:)=(t(i,:)-min(t(i,:)))/(max(t(i,:))-min(t(i,:))); endfor i=1:2P_test(i,:)=(p_test(i,:)-min(p_test(i,:)))/(max(p_test(i,:))-min(p_test(i,:)));end%--------------------------------------------------------------------------% 创建BP神经网络，隐含层节点数为12net=newff(minmax(P),[12,4],{'tansig','purelin'},'trainlm'); %-------------------------------------------------------------------------- % 下面使用遗传算法对网络进行优化R=size(P,1);% BP神经网络输入层节点数S2=size(T,1);% BP神经网络输出层节点数S1=12;% 隐含层节点数S=R*S1+S1*S2+S1+S2;% 遗传算法编码长度aa=ones(S,1)*[-1,1];popu=100;% 种群规模initPop=initializega(popu,aa,'gabpEval');% 初始化种群gen=500;% 遗传代数% 下面调用gaot工具箱，其中目标函数定义为gabpEval[x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPop,[1e-6 11],'maxGenTerm',...gen,'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]);%--------------------------------------------------------------------------% 绘收敛曲线图figure;plot(trace(:,1),1./trace(:,3),'r-'); hold on;plot(trace(:,1),1./trace(:,2),'b-'); xlabel('遗传代数');ylabel('平方和误差');figure;plot(trace(:,1),trace(:,3),'r-'); hold on;plot(trace(:,1),trace(:,2),'b-'); xlabel('遗传代数');ylabel('适应度');legend('平均适应度值','最优适应度值'); %-------------------------------------------------------------------------- % 下面将初步得到的权值矩阵赋给尚未开始训练的BP网络[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x); net.IW{1,1}=W1;net.LW{2,1}=W2;net.b{1}=B1;net.b{2}=B2;% 设置训练参数net.trainParam.epochs=3000;net.trainParam.goal=1e-6;% 训练网络net=train(net,P,T);w1=net.IW{1,1};w2=net.LW{2,1};b1=net.b{1};b2=net.b{2};% 测试网络性能temp=sim(net,P_test);yuce1=[temp(1,:);temp(2,:),;temp(3,:);temp(4,:)];for i=1:4yuce(i,:)=yuce1(i,:)*(max(t_test(i,:))-min(t_test(i,:)))+min(t_test(i,:));end%--------------------------------------------------------------------------% 测试输出结果之一figure;plot(1:12,yuce(1,:),'bo-');ylabel('切口外径 mm');hold on;plot(1:12,t_test(1,:),'r*-'); legend('测试结果','测试样本');figure;plot(1:12,yuce(1,:)-t_test(1,:),'b-');ylabel('误差 mm');title('测试结果与测试样本误差');figure;plot(1:12,((yuce(1,:)-t_test(1,:))/t_test(1,:))*100,'b*'); ylabel('百分比');title('测试结果与测试样本误差');% 测试输出结果之二figure;plot(1:12,yuce(2,:),'bo-'); ylabel('切口内径 mm');hold on;plot(1:12,t_test(2,:),'r*-'); legend('测试结果','测试样本'); figure;plot(1:12,yuce(2,:)-t_test(2,:),'b-');ylabel('误差 mm');title('测试结果与测试样本误差');figure;plot(1:12,((yuce(2,:)-t_test(2,:))/t_test(2,:))*100,'b*'); ylabel('百分比');title('测试结果与测试样本误差');% 测试输出结果之三figure;plot(1:12,yuce(3,:),'bo-'); ylabel('最大滚切力 N');hold on;plot(1:12,t_test(3,:),'r*-'); legend('测试结果','测试样本'); figure;plot(1:12,yuce(3,:)-t_test(3,:),'b-');ylabel('误差 N');title('测试结果与测试样本误差');figure;plot(1:12,((yuce(3,:)-t_test(3,:))/t_test(3,:))*100,'b*');ylabel('百分比');title('测试结果与测试样本误差');% 测试输出结果之四figure;plot(1:12,yuce(4,:),'bo-'); ylabel('切断时间 s');hold on;plot(1:12,t_test(4,:),'r*-');legend('测试结果','测试样本');figure;plot(1:12,yuce(4,:)-t_test(4,:),'b-');ylabel('误差 s');title('测试结果与测试样本误差');figure;plot(1:12,((yuce(4,:)-t_test(4,:))/t_test(4,:))*100,'b*'); ylabel('百分比');title('测试结果与测试样本误差');%--------------------------------------------------------------------------。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
p=p1';t=t1';[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); % 原始数据归一化net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx'); %设置网络,建立相应的BP 网络net.trainParam.show=2000; % 训练网络net.trainParam.lr=0.01;net.trainParam.epochs=100000;net.trainParam.goal=1e-5;[net,tr]=train(net ,pn,tn); %调用TRAINGDM 算法训练BP 网络pnew=pnew1';pnewn=tramnmx(pnew,minp,maxp);anewn=sim(net,pnewn);anew=postmnmx(anewn,mint,maxt); %对 BP 网络进行仿真%还原数据y=anew';1、 BP 网络构建（1）生成 BP 网络net newff ( PR,[ S1 S2...SNl],{ TF1 TF 2...TFNl }, BTF , BLF , PF ) PR ：由R 维的输入样本最小最大值构成的R 2 维矩阵。
[ S1 S2...SNl] ：各层的神经元个数。
{TF 1 TF 2...TFNl } ：各层的神经元传递函数。
BTF ：训练用函数的名称。
（2）网络训练[ net,tr ,Y, E, Pf , Af ] train (net, P, T , Pi , Ai ,VV , TV )（3）网络仿真[Y, Pf , Af , E, perf ] sim(net, P, Pi , Ai ,T ){'tansig','purelin'},'trainrp'BP 网络的训练函数训练方法梯度下降法有动量的梯度下降法自适应 lr 梯度下降法自适应 lr 动量梯度下降法弹性梯度下降法训练函数traingd traingdm traingda traingdx trainrpFletcher-Reeves 共轭梯度法traincgf Ploak-Ribiere 共轭梯度法traincgpPowell-Beale 共轭梯度法traincgb 量化共轭梯度法trainscg 拟牛顿算法trainbfg 一步正割算法trainoss Levenberg-Marquardt trainlmBP 网络训练参数训练参数net.trainParam.epochsnet.trainParam.goal net.trainParam.lrnet.trainParam.max_fail net.trainParam.min_grad net.trainParam.show net.trainParam.timenet.trainParam.mc net.trainParam.lr_inc 参数介绍最大训练次数（缺省为10）训练要求精度（缺省为0）学习率（缺省为0.01 ）最大失败次数（缺省为5）最小梯度要求（缺省为1e-10）显示训练迭代过程（ NaN 表示不显示，缺省为 25）最大训练时间（缺省为inf ）动量因子（缺省0.9）学习率lr增长比（缺省为1.05）训练函数traingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingd 、traingdm 、traingda 、traingdx 、 trainrp 、 traincgf 、traincgp 、traincgb 、trainscg、trainbfg 、 trainoss、 trainlmtraingdm 、 traingdx traingda 、traingdxnet.trainParam.lr_dec 学习率 lr 下降比（缺省为 0.7） traingda 、 traingdxnet.trainParam.max_perf_inc 表现函数增加最大比（缺省traingda 、 traingdx为 1.04）net.trainParam.delt_inc 权值变化增加量（缺省为trainrp1.2）net.trainParam.delt_dec 权值变化减小量（缺省为trainrp0.5）net.trainParam.delt0 初始权值变化（缺省为 0.07） trainrpnet.trainParam.deltamax 权值变化最大值（缺省为trainrp50.0）net.trainParam.searchFcn 一维线性搜索方法（缺省为traincgf 、traincgp 、traincgb 、srchcha）trainbfg 、 trainossnet.trainParam.sigma 因为二次求导对权值调整的trainscg影响参数（缺省值 5.0e-5）mbda Hessian 矩阵不确定性调节trainscg参数（缺省为 5.0e-7）net.trainParam.men_reduc 控制计算机内存/ 速度的参trainlm量，内存较大设为1，否则设为 2（缺省为 1）net.trainParam.mu 的初始值（缺省为0.001） trainlmnet.trainParam.mu_dec 的减小率（缺省为0.1）trainlmnet.trainParam.mu_inc 的增长率（缺省为10）trainlmnet.trainParam.mu_max 的最大值（缺省为1e10）trainlm2、 BP 网络举例举例 1、%traingdclear;clc;P=[-1 -1 2 2 4;0 5 0 5 7];T=[-1 -1 1 1 -1];%利用 minmax函数求输入样本范围net = newff(minmax(P),T,[5,1],{'tansig','purelin'},'trainrp');net.trainParam.show=50;%net.trainParam.lr=0.05;net.trainParam.epochs=300;net.trainParam.goal=1e-5;[net,tr]=train(net,P,T);net.iw{1,1}%隐层权值net.b{1}%隐层阈值net.lw{2,1}%输出层权值net.b{2}%输出层阈值sim(net,P)BP 神经网络来完成非线性函数的逼近任务，其中隐层神经元个数为五个。
举例 2、利用三层样本数据：输入 X 输出 D 输入 X 输出 D 输入 X 输出 D -1.0000 -0.9602 -0.3000 0.1336 0.4000 0.3072 -0.9000 -0.5770 -0.2000 -0.2013 0.5000 0.3960 -0.8000 -0.0729 -0.1000 -0.4344 0.6000 0.3449 -0.7000 0.3771 0 -0.5000 0.7000 0.1816 -0.6000 0.6405 0.1000 -0.3930 0.8000 -0.3120 -0.5000 0.6600 0.2000 -0.1647 0.9000 -0.2189 -0.4000 0.4609 0.3000 -0.0988 1.0000 -0.3201 解：看到期望输出的范围是1,1 ，所以利用双极性Sigmoid 函数作为转移函数。
程序如下：clear;clc;X=-1:0.1:1;D=[-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609 ...0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -.0988 ...0.3072 0.3960 0.3449 0.1816 -0.312 -0.2189 -0.3201];figure;plot(X,D, '*' ); % 绘制原始数据分布图（附录：1-1 ）net = newff([-1 1],[5 1],{ 'tansig' , 'tansig' });net.trainParam.epochs = 1000; % 训练的最大次数net.trainParam.goal = 0.005; % 全局最小误差net = train(net,X,D);O = sim(net,X);figure;plot(X,D, '*' ,X,O); % 绘制训练后得到的结果和误差曲线（附录：1-2 、 1-3 ）V = net.iw{1,1}; %输入层到中间层权值theta1 = net.b{1}; %中间层各神经元阈值W = net.lw{2,1}; %中间层到输出层权值theta2 = net.b{2}; %输出层各神经元阈值所得结果如下：输入层到中间层的权值：V -9.1669 7.3448 7.3761 4.8966T 3.5409中间层各神经元的阈值： 6.5885 -2.4019 -0.9962 1.5303T 3.2731中间层到输出层的权值：W 0.3427 0.2135 0.2981 -0.8840 1.9134 输出层各神经元的阈值：T -1.5271举例 3、利用三层样本数据：输入 X BP 神经网络来完成非线性函数的逼近任务，输出 D输入X输出 D其中隐层神经元个数为五个。